Modelleren is allesbehalve een technische exercitie

Onlangs organiseerde ik een kennissessie over Kennismodelleren met mijn collega’s. Tijdens deze sessie hebben we hands-on ervaring opgedaan met het modelleren van kennis, in dit geval het modelleren van kennis uit een klein stukje wetstekst. In deze sessie kregen de deelnemers de opdracht om deze wetstekst te vertalen naar een gegevensmodel.

Starten met vragen stellen

Ik begon de sessie met het stellen van een tweetal vragen. Als eerste: “Welke voorbeelden kennen we van organisaties die op een of andere manier met wetsuitvoering te maken hebben?” En een verdiepingsvraag: “Werken we zelf in opdrachten met data die direct of indirect het gevolg zijn van deze wetsuitvoering?” Zoals te verwachten kreeg ik hier een groot aantal bevestigende reacties op terug. Logisch, want wij zijn zeer actief bij klanten die direct of indirect te maken hebben met het uitvoeren van wet- en regelgeving binnen het sociale-, zorg- en overheidsdomein.

De volgende twee vragen die ik stelde hadden betrekking op de begripsvorming rondom het wettelijke kader waarin het werk wordt verricht: “Wie heeft de voor het werk relevante wetsteksten wel eens gelezen?” en “Wie heeft er wel eens gesproken met een jurist of beleidsmedewerker over de inhoud van de wetsteksten?”. Dit bleek iets minder gebruikelijk. Er bestaat blijkbaar een blind vertrouwen dat de data zoals die in de database beschikbaar is altijd klopt.

Ruis op de lijn

En dat is precies waar er in de praktijk heel veel ruis optreedt op de lijn. Want :

• Hoe weet je dat de gebruikte terminologie in de data overeenkomt met de terminologie in de wet?
• Hoe weet je zeker dat de data juist en volledig is?
• Als er berekeningen uitgevoerd moeten worden op basis van deze data, hoe weet je dan dat de juiste rekenregels op de juiste manier worden toegepast?
• Welke eisen worden er gesteld aan de verantwoording over de uitvoering die moet worden afgelegd richting de wetgevende instantie?

Aan de slag

De deelnemers zijn na de introductie aan de slag gegaan met het uiteenrafelen van een klein stukje wetstekst. Aan de hand van een aantal concrete opdrachten moesten er gegevenselementen uit de wetstekst worden gedestilleerd. En hoewel de wetstekst letterlijk op 1 A4-tje past, bleek dit toch een hele lastige opgave. Want:

• Een wet leest niet lineair. Er wordt heel vaak verwezen naar fragmenten uit andere wetsfragmenten uit dezelfde of andere wetten.
• De formulering in de wet laat vaak ruimte voor interpretatie.
• Er zijn verbanden met andere algemeen geldende wetten die een algemene strekking hebben en dus ook relevant zijn voor dit specifieke stukje wetstekst.
• Er wordt in de wet ruimte gegeven om als uitvoeringsinstantie zelf invulling te geven aan de uitvoering van de wet.

Kennis van de materie

Kennis van de materie die je gaat modelleren is essentieel voor het realiseren van een goed gegevensmodel. In deze sessie ging het om kennis van de wet- en regelgeving. Deze kennis is in de regel niet gevangen binnen één persoon. Een jurist zal alles weten van wetten en wetsinterpretaties, een ICT-er zal alles weten van systemen en gegevens. Om tot een goed gegevensmodel te komen, zullen deze twee disciplines samen moeten werken. 

Een gegevensmodel is goed als:

• De relevante kennis van de materiedeskundige(n) over de wet in relatie tot de uitvoering in het model is gevangen;
• Het model eenduidig en transparant is, met eenduidige definities van ieder onderdeel in het model;
• Het model gevalideerd is door en met de materiedeskundige(n).

Samenwerken

Een goed gegevensmodel ontstaat dus pas op het moment dat materiedeskundigen en ICT-ers gezamenlijk toewerken naar het eindproduct. Het lastige hierbij is dat beide disciplines verschillende “talen” spreken. Want alhoewel alle disciplines dezelfde natuurlijke taal (Nederlands) spreken, blijkt toch dat er bij alle partijen in een eigen jargon wordt gesproken. De materiedeskundigen spreken in vakjargon, de ICT-er in technisch jargon. En dat is precies waar de spraakverwarring ontstaat. Met alle gevolgen van dien op het moment dat er daadwerkelijk data wordt geproduceerd voor het uitvoeren van de wetgeving. Dataschuld ligt op de loer.

Gemeenschappelijke taal

Het spreken van een gemeenschappelijke taal. Dat is precies waar het vak kennismodelleren zich op richt. Ervoor zorgen dat de verschillende jargons op elkaar worden afgestemd in een gemeenschappelijke taal, maar wel op basis van dezelfde natuurlijke taal. In het boek Wetsanalyse (Anouschka Ausems, John Bulles, Mariette Lokin) wordt in een praktische werkwijze beschreven hoe je wetskennis vertaalt naar voorzieningen in de ICT. Deze werkwijze is gebaseerd op:

• Een multidisciplinaire aanpak. Alle disciplines worden betrokken bij de realisatie.
• Wetenschappelijke methoden die hun oorsprong vinden in de kennis- en informatiekunde.
• Traceerbaarheid van “Wet naar Dataset”. Zodat de impact van wijzigingen in de wetgeving in de ICT voorzieningen systematisch te bepalen is.
• Natuurlijke taal, waardoor validatie mogelijk is.

Het resultaat van de aanpak is een kennismodel waarin alle relevante kennis gevangen en gevalideerd is. Op basis hiervan wordt een gegevensmodel geconstrueerd. 

Leg kennis over data dus goed vast!

Hoewel het boek Wetsanalyse zich beperkt tot het juridische domein, is het goed mogelijk de aanpak op andere gebieden in te zetten. Tegenwoordig zijn er allerlei bewegingen gaande die zich bezig houden met het borgen van (domein)kennis in relatie tot gegevens. Daarbij spelen taxonomieën – het vastleggen van betekenissen van dingen – en ontologieën – het classificeren en ordenen van kennis – een steeds grotere rol.

Daarnaast zijn er wereldwijde standaarden beschikbaar hoe de gevangen kennis moet worden vastgelegd. Denk daarbij aan ontwikkelingen als Semantic Web die gericht zijn op het vastleggen van semantiek in metadatamodellen die op hun beurt weer de basis vormen voor gegevensmodellen.

Daarbij zijn er leveranciers – ook in het open source domein – die hulpmiddellen aanbieden voor het proces van het opstellen van taxonomieën en ontologieën in metadata repositories.

Modelleren is een taalkundige exercitie

Het is dus duidelijk dat het opstellen van een model geen zuiver technische exercitie is. Een goed model komt tot stand door een samenwerking van verschillende disciplines. Het ontstaat door interacties met en tussen materiedeskundigen en modelleurs, waarbij door middel van bevragen en uitleggen relevante kennis wordt onttrokken, gevalideerd en vastgelegd. Je kunt dus stellen dat modelleren eerder een taalkundige dan een technische exercitie is. Dit geldt niet alleen voor het modelleren van de kennis, maar vindt zijn weerslag ook op het gebied van het modelleren van de gegevens.

Al met al zeer interessante ontwikkelingen waar wij als datakundigen de komende jaren ons nog volop kunnen gaan richten!

Denny de Jonge
Data Architect en Gildemeester Data Modelleren

Over het Gilde Data Modelleren

Scamander Gilden brengen collega’s bij elkaar die zich verbonden voelen met een bepaald onderwerp. Binnen deze Gilden wordt er actief kennis opgedaan, worden ervaringen gedeeld en wordt deze kennis ook geborgd in best-practices. Dit zorgt ervoor dat de Gilden-leden individueel en ook gezamenlijk bekwamer worden. Essentieel in ons vakgebied, waar de veranderingen elkaar in rap tempo opvolgen. Op deze manier garanderen we constante kwaliteit van het werk dat we leveren aan onze klanten: De ‘Scamander way of working’. Zo halen we alles uit data wat er in zit.

Het Gilde Data Modelleren gaat uit van het feit dat de modelleur een belangrijke brug vervult tussen vraag en aanbod van gegevens. De modelleur brengt de behoefte aan gegevens en de betekenis daarvan in beeld en legt deze op gestructureerde wijze vast in een (gegevens)model. Hierdoor krijgt de klant meer zicht op de betekenis van zijn eigen gegevens, zodat hij in staat wordt gesteld echt datagedreven te werken.

e-paper Kennismodelleren

Collega Fred Dijk, Kennis Modelleur & Data Management specialist bij Scamander, schreef eerder een e-paper over de noodzaak van begripsdefinitie en -duiding voor datagedreven werken. Meer informatie over deze e-paper en de link om het e-paper te downloaden vind je hier.

Deel dit met uw volgers